1. Learn
    2. /
  2. Courses
    3. /
  3. Einführung in die Regression mit statsmodels in Python
  • 1

    Einfache lineare Regressionsmodellierung

    Free

    Du lernst die Grundlagen dieses beliebten statistischen Modells, was eine Regression ist und wie sich lineare und logistische Regressionen unterscheiden. Dann lernst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen der Antwort und den erklärenden Variablen mit Modellkoeffizienten beschreibst.

  • 2

    Vorhersagen und Modellobjekte

    In diesem Kapitel erfährst du, wie du mit linearen Regressionsmodellen Vorhersagen über taiwanesische Hauspreise und Klicks auf Facebook-Werbung machen kannst. Du wirst auch deine Regressionskenntnisse erweitern, indem du mit Modellobjekten arbeitest, das Konzept der "Regression zum Mittelwert" verstehst und lernst, wie man Variablen in einem Datensatz umwandelt.

  • 3

    Bewertung der Modellanpassung

    In diesem Kapitel lernst du, wie du Fragen zu deinem Modell stellst, um die Passung zu beurteilen. Du lernst, wie du die Passgenauigkeit eines linearen Regressionsmodells quantifizierst, Modellprobleme mit Hilfe von Visualisierungen diagnostizierst und die Hebelwirkung und den Einfluss der einzelnen Beobachtungen auf das Modell verstehst.

  • 4

    Einfache logistische Regressionsmodellierung

    Lerne, logistische Regressionsmodelle anzupassen. Anhand von realen Daten wirst du die Wahrscheinlichkeit, dass ein Kunde sein Konto auflöst, in Form von Erfolgswahrscheinlichkeiten und Odds Ratios vorhersagen und die Modellleistung mithilfe von Konfusionsmatrizen quantifizieren.

Initializing

Exercise

Residualer Standardfehler

Der Standardfehler der Residuen (RSE) ist ein Maß für die typische Größe der Residuen. Das heißt, es ist ein Maß dafür, wie falsch du mit Vorhersagen liegen kannst. Kleinere Zahlen sind besser, wobei Null eine perfekte Anpassung an die Daten darstellt.

Auch hier siehst du dir die Modelle aus der Werbepipeline an, mdl_click_vs_impression_orig und mdl_click_vs_impression_trans.

Instructions 1/3

undefined XP
    1
    2
    3
  • Berechne die MSE von mdl_click_vs_impression_orig und ordne sie mse_orig zu.
  • Berechne mit mse_orig die RSE von mdl_click_vs_impression_orig und drucke sie aus.
  • Mach das Gleiche für mdl_click_vs_impression_trans.